민서타의 데이터 분석 연구일지

1. A/B Test -A와 B를 대조하여 가설을 검정하는 실험법 -ex)배너위치 변경은 클릭전환율이 증가할 것이다 / 5%할인쿠폰보다 5천원 할인쿠폰이 주문이 더 많을 것 2. 이중차분법 -독립변수와 종속변수 간 인과효과를 측정하기 위한 인과 추론법(처치 전후 지표와 시계열 데이터 비교) 처치 전 처치 후 실험군 a A 대조군 b B 실험군: 실험자가 종속변수와 상관성이 높아 보이는 독립변수에 변화를 주는 그룹 대조군: 실험군과 대조하기 위해 처치를 하지 않는 그룹 이중차분: (A-a) - (B-b) 3. 개요 1)가설: 정액이 기재된 할인쿠폰의 주문 전환율이 더 높을 것이다 2)데이터 -종속변수: 주문전환율(1: 실험기간 중 주문이 1번이라도 있는 경우 / 0: 실험기간 중 주문이 없는 경우) -독립..

1. Cold start: 유저의 선호도나 행동에 대한 기록이 전혀 없을 때 유저에 대한 추천이 어려운 상황 -ex)신규 유저에게 어떤것을 추천할 지? 1. User 콜드 스타트: 새로운 유저가 플랫폼에 가입한 경우 추천 시스템이 사용자의 선호도, 과거 행동에 대한 충분한 정보X ex) 뉴비에게 어떤 게임을 추천할 지 2. Item 콜드 스타트: 새로운 아이템이 시스템/서비스에 추가되었을 때 해당 아이템에 대한 유저 데이터가 충분하지 않은 경우 ex) 상품 출시 시 누구에게 추천할 지? or 뉴스 추천 3. System 콜드 스타트: 추천 시스템을 처음 시작할 때 user 및 item 모두에 대한 상호 데이터가 전혀 없을 때 ex) 신규 출시 앱이 서비스 초반에 어떤 추천을 해줄 지 파레토 법칙: 80%..

파이차트: 축(행)에 MIN(0)으로 축 설정 후 이중축 설정 / 레이블 표 아래 방향 표현을 위한 합계 - 표현 / 분석탭 총계 표현으로 총합계 표시 영역차트 반전을 통한 좌우대칭 표현 영업시작시간을 분단위로 계산하는 필드 생성 및 간트차트 표현

종가 데이터: IF문 가격별 계산된 필드 생성, 이중축과, 축동기화, 0포함 제거가 중요(이거 때문에 한참 찾음) DATEDIFF을 활용한 일자 관련 계산된 필드 생성

배경맵: 이미지 삽입, 매개변수 생성으로 평균 승차, 하차 고객 표현 비행기 항로 표현 매개변수 생성으로 지도 크기(비율) 나타내기

1. 월별 미세먼지: 라인그랲로 표현 2. 시도별 미세먼지(맵 차트) 3. 빅맥지수 가격 변동 비율차이: 테이블 계산편집(비율차이) 4. 빅맥지수: 측정값 이중축 설정으로 표현(원과 라인 그래프를)

RFM: 고객 분류 기법 Recency: 얼마나 최근에 구매했는지 Frequency: 얼마나 자주 구매했는지 Monetary: 얼마만큼의 규모로 구매했는지 코드 구현: 1. 데이터: 1000명의 RFM 데이터 활용, is_back을 타깃으로한 로지스틱 회귀 모델 생성 2. 구간별 데이터 구분, 점수 환산 함수 생성, 상관계수를 곱해주는 RFM SCORE, TOTAL 피쳐 생성 3. TOTAL 함수를 구간화, 점수 산출(level col 생성) 4. level별 리텐션(1-리텐션) X = df.drop(['mem_no', 'last_ord_dt','is_back'], axis=1) y = df['is_back'] X_train, X_test, y_train, y_test = sklearn.model_sel..